Mode Forecast : prédiction de chiffre d'affaires directement dans Gini

Le mode Forecast est une nouvelle fonctionnalité de Gini by MyTraffic qui vous permet de construire un modèle de prévision à partir de votre propre réseau de points de vente, puis prédit le chiffre d'affaires, le chiffre d'affaires au m², l'effectif nécessaire ou tout autre indicateur de votre choix, à n'importe quelle adresse saisie. Sur nos tests internes menés sur des réseaux clients réels, il peut atteindre 9 % de MAPE (erreur absolue moyenne en pourcentage) : le chiffre annoncé se situe à environ plus ou moins 9 % de la réalité. Ce n'est pas une précaution de langage. Le mode Forecast affiche cette marge d'emblée, avant que vous ne vous appuyiez sur le chiffre.

Les équipes du retail et de la grande distribution font des prédictions depuis des décennies. La méthode de William Applebaum, qui compare un site candidat à des magasins comparables déjà présents dans le réseau, remonte aux années 1940 et 1950. Le modèle gravitaire de David Huff lui a succédé une génération plus tard, en pondérant distance et surface pour prédire où iraient les clients. Les deux fonctionnent toujours. Ce qui a changé, c'est la vitesse à laquelle une équipe peut construire un tel modèle et lui faire confiance.

Ce que fait le mode Forecast

Le mode Forecast part de vos données de réseau : les implantations que vous exploitez déjà et la performance de chacune. Il entraîne un modèle sur l'indicateur qui vous intéresse : chiffre d'affaires, chiffre d'affaires au m², effectif nécessaire ou tout autre chiffre présent dans vos données. Il croise ensuite ces données avec des signaux du monde réel de MyTraffic : fréquentation, profil sociodémographique de la zone de chalandise, heures de pointe, densité concurrentielle, accès aux transports en commun, ...

Vous obtenez un chiffre clair, accompagné du raisonnement et du poids de chaque variable et la marge d'erreur. Le modèle tient aussi compte de la cannibalisation avec vos magasins voisins, au lieu de noter le site candidat isolément. Une prévision que personne ne peut contester n'est pas une prévision, c'est un chiffre inventé, simplement habillé de décimales.

Le niveau de précision de Gini

Ce chiffre ne prend son sens qu'en comparaison. Une analyse MarketsandMarkets de 2025 situe les méthodes de prévision traditionnelles entre 20 % et 35 % de MAPE, et les approches fondées sur le machine learning entre 8 % et 20 %.

• Méthodes de prévision traditionnelles : 20 % à 35 % d'erreur
• Méthodes de machine learning : 8 % à 20 %
• Mode Forecast, tests internes : 9 %

Le mode Forecast se situe parmi les meilleures performances de la fourchette machine learning, avec une erreur environ trois fois inférieure à celle des approches traditionnelles. Ce qui fait bouger ce chiffre d'une équipe à l'autre, c'est le volume de données de réseau fournies, leur propreté et la diversité des implantations et des zones de chalandise existantes. Une enseigne de 60 magasins répartis sur cinq formats donne plus de matière au modèle qu'une enseigne de six magasins tous semblables, et la prévision reflète cet écart au lieu de le masquer. Nos prédictions fonctionnent parce que la fréquentation est l'un des meilleurs prédicteurs de la performance future d'un magasin : plus le modèle dispose de données comportementales réelles sur une zone, moins il a besoin d'extrapoler.

Comment ça marche, étape par étape

1. Ouvrez le mode Forecast. Onglet Feature à gauche, puis Forecast, puis New forecast.
2. Choisissez votre pays. Le mode Forecast est disponible dans les 18 pays disponibles dans Gini, dont la France, le Royaume-Uni, l'Espagne et les États-Unis, ce qui compte si votre plan d'expansion porte sur plusieurs marchés à la fois.
3. Déposez vos données de réseau. Vos implantations existantes et la performance de chacune.
4. Laissez Gini nettoyer et géocoder. Gini identifie le sens de chaque colonne et de chaque ligne, puis place chaque implantation sur la carte, une étape qui prendrait normalement plusieurs semaines à un analyste travaillant à la main.
5. Gini entraîne le modèle. Sur l'indicateur que vous avez choisi, le plus souvent le chiffre d'affaires ou le chiffre d'affaires au m².

L'ensemble du parcours, de l'import au modèle entraîné, prend une dizaine de minutes, et personne dans l'équipe n'a besoin d'être un data scientist. Une fois créé, vous pouvez utiliser le modèle n'importe quand. Il reste dans Gini et s'applique à n'importe quelle adresse, autant de fois que vous le souhaitez, sans nouvelle configuration.

Utiliser votre prévision dans n'importe quelle conversation Gini

Une fois entraîné, le modèle se trouve au même endroit que toutes vos autres analyses d'implantation. Tapez @, sélectionnez votre modèle, saisissez une adresse : Gini renvoie la prévision, le raisonnement et la marge d'erreur dans la même conversation.

Prenons une enseigne alimentaire qui a entraîné un modèle de chiffre d'affaires au m² sur ses 40 magasins. Son équipe immobilière saisit une adresse candidate sur une artère commerçante lyonnaise. Gini renvoie 4 200 €/m² avec une fourchette de confiance de 3 700 € à 4 700 €, et nomme les trois facteurs qui expliquent ce niveau : la densité résidentielle alentour, la fréquentation du matin et l'absence de concurrent direct dans un rayon de 400 mètres.

C'est un chiffre qu'un comité peut examiner en détail,et débattrepas seulement valider. Le même modèle se réutilise sur autant d'adresses que l'équipe veut tester, sans coûts de configuration : comparer cinq sites candidats prend une après-midi au lieu de cinq livrables de conseil distincts.

Ce que cela change dans les délais de prévision

Voici à quoi ressemblait l'ancien processus. Vous briefez une équipe de conseil, vous attendez pendant qu'elle nettoie les données, lance ses contrôles et mesure la précision. Elle livre un modèle, et les questions commencent, parce que le chiffre est systématiquement remis en cause. Correspond-il à ce que le client observe sur le terrain ? Quelles variables l'ont réellement déterminé ? Peut-on l'ajuster ? Chaque série de questions déclenche un nouvel aller-retour, et chaque aller-retour repousse la date d'ouverture et la décision. Les missions de conseil comme celles de Buxton demandent déjà six à neuf mois pour livrer un premier modèle, un délai qui ne comprend même pas la phase de questions-réponses qui suit.

Le mode Forecast supprime l'aller-retour. La personne qui connaît le métier entraîne le modèle, voit la marge d'erreur tout de suite et peut le relancer sur une nouvelle adresse la même après-midi, puis à nouveau au trimestre suivant. Ce qui exigeait une mission de conseil allant de quelques semaines, dans le meilleur cas, à neuf mois pour un modèle entièrement sur mesure, tient désormais dans un seul workflow Gini, sans logiciel de choix d'implantation ni contrat prestataire à part.

Le mode Forecast n'est pas déconnecté des données qui servent à choisir un emplacement de flagship. Il s'appuie sur les mêmes données sociodémographiques, la même fréquentation et la même densité concurrentielle, désormais intégrées à un modèle plutôt qu'assemblées à la main à chaque fois. Ce qu'il supprime, ce sont les mois d'attente pour que quelqu'un d'autre transforme ces données en chiffre, que le site étudié soit un flagship unique ou l'un des centres commerciaux passés au crible en même temps dans un plan d'expansion multi-pays.

Questions fréquentes

Comment prévoir le chiffre d'affaires d'un nouveau point de vente ?

‍Le mode Forecast entraîne un modèle sur vos magasins existants et leur performance, puis croise le résultat avec des données de Location Intelligence (fréquentation, profil sociodémographique de la zone de chalandise, densité concurrentielle) pour prédire le chiffre d'affaires, ou un autre indicateur, à une nouvelle adresse.

De quelles données ai-je besoin pour construire une prévision dans Gini ?V

os données de réseau : la liste de vos implantations et leur performance sur l'indicateur à prédire. Gini les nettoie, les géocode et les structure automatiquement après l'import, et l'ensemble de la configuration prend une dizaine de minutes.

Quelle est la précision du mode Forecast ?

‍Nos tests internes sur des réseaux clients réels le situent à 9 % de MAPE. Une analyse MarketsandMarkets de 2025 place les méthodes de machine learning entre 8 % et 20 % de MAPE et les approches traditionnelles entre 20 % et 35 %, ce qui situe le mode Forecast parmi les plus précis de la fourchette machine learning.

Quels indicateurs le mode Forecast peut-il prédire ?

‍Tout indicateur présent dans vos données : chiffre d'affaires, chiffre d'affaires au m², effectif nécessaire ou un KPI propre à votre activité.

En quoi est-ce différent d'un modèle des analogues ou d'un modèle gravitaire ?

‍Les modèles des analogues et gravitaires comparent un site candidat à quelques magasins similaires, à la main, avec la distance et la surface comme signaux principaux. Le mode Forecast automatise cette comparaison sur l'ensemble de votre réseau, y ajoute la couche Location Intelligence de MyTraffic et les contrôles de cannibalisation avec vos magasins voisins, et affiche la marge d'erreur au lieu d'un chiffre brut.